Wer heute „KI" sagt, meint fast immer das Chatfenster. Man tippt eine Frage, es kommt ein Text zurück. Das ist die Ausgabe, die jeder kennt, und deshalb halten viele sie für die einzige. In der Gebäudetechnik ist Text aber selten das, was man wirklich braucht. Wer eine Lüftungsanlage betreibt, will wissen, wie viel Strom sie nächste Woche zieht, zu welchem Gewerk eine Störmeldung gehört und ob der Regler nachgestellt werden muss. Keine dieser Antworten ist ein Absatz Prosa.
Sortieren nach dem, was hinten herauskommt
Im ersten Beitrag ging es darum, wie ein Modell lernt. Hier geht es um das andere Ende: Was gibt es aus? Danach sortiert lässt sich fast alles, was unter dem Wort KI läuft, in fünf Fächer legen.
Eine Zahl. Verbrauch der Anlage nächste Woche, Vorlauftemperatur in drei Stunden, Restlaufzeit eines Filters. Das Modell bekommt Messwerte hinein und gibt einen Wert heraus. Statistiker nennen das Regression, und es ist die schlichteste Form von allem, was hier vorkommt.
Eine Klasse. Die Störmeldung „Druckdifferenz Zuluft zu niedrig" gehört zur Lüftung, nicht zur Heizung. Das Foto zeigt einen Riss und keinen Schatten. Die Rechnung ist ein Nachtrag und keine Teilrechnung. Das Modell wählt aus vorgegebenen Fächern eines aus. Das ist die Aufgabe, an der die heutige Bilderkennung groß geworden ist.
Eine Gruppe. Angenommen, in einer Mängelliste stehen achthundert Einträge, und niemand hat sie je sortiert. Ein Modell kann sie nach Ähnlichkeit zusammenlegen, ohne dass jemand vorher Fächer definiert hat: hier zwanzig Meldungen zum selben Kondensatablauf, dort dreißig zu Brandschutzklappen. Es findet Muster, benennt sie aber nicht. Das Benennen bleibt beim Menschen.
Eine Handlung. Das Modell gibt keine Beschreibung aus, sondern einen Eingriff: Ventil um zwei Prozent auf, Sollwert um ein halbes Grad herunter. Es lernt aus der Rückmeldung, ob die Lage danach besser oder schlechter war. In der Gebäudetechnik ist das der heikelste Fall, weil das Ergebnis nicht auf dem Bildschirm bleibt, sondern in der Anlage ankommt.
Ein Bild oder ein Ton. Ein Modell kann aus einer Beschreibung ein Bild erzeugen. Und umgekehrt aus einer Aufnahme Text: Wer auf der Baustelle ins Handy diktiert, benutzt genau das. Die Ausgabe ist hier kein Wert und keine Klasse, sondern wieder ein Rohstoff, mit dem man weiterarbeitet.
Das Sprachmodell, um das es im nächsten Beitrag geht, ist in dieser Sortierung ein Sonderfall der zweiten Art: Es wählt aus allen möglichen Textstücken das nächste aus, sehr oft hintereinander. Dass daraus Sätze werden, ist Ergebnis, nicht Zweck.
Der Beleg
Zahl und Gruppe, also Regression und Clustering, sind in einem frei zugänglichen Lehrbuch ausführlich behandelt: Hastie, Tibshirani, Friedman, The Elements of Statistical Learning, 2. Auflage 2009, das die Autoren als PDF bereitstellen. Für die Klasse steht die Arbeit, mit der 2012 die Bilderkennung ihren Sprung machte: ein Netz, das 1,3 Millionen Fotos in tausend Klassen einordnete (Krizhevsky, Sutskever, Hinton, NeurIPS 2012). Für die Handlung die Arbeit, in der ein Modell allein aus den Bildschirmpixeln lernte, Atari-Spiele zu steuern (Mnih u. a. 2013, arXiv:1312.5602). Für das erzeugte Bild die Arbeit, die zwei Netze gegeneinander antreten ließ (Goodfellow u. a. 2014, arXiv:1406.2661). Und für Ton zu Text ein Spracherkennungsmodell, das auf 680.000 Stunden Aufnahmen trainiert wurde (Radford u. a. 2022, arXiv:2212.04356).
Was das praktisch heißt
Bevor ich über ein Werkzeug rede, schreibe ich einen Satz auf: Was soll hinten herauskommen, eine Zahl, eine Klasse, eine Gruppe, eine Handlung, ein Text? Dieser eine Satz entscheidet mehr als jede Produktwahl.
Darauf achte ich dabei:
- Eine Zahl oder eine Klasse braucht Beispiele mit richtiger Antwort aus dem eigenen Betrieb. Ein Chatfenster ersetzt das nicht, es hat die Messwerte der Anlage nie gesehen.
- Eine Gruppe ist ein Anfang, kein Ergebnis. Was das Modell zusammenlegt, muss jemand anschauen und benennen.
- Eine Handlung an einer Anlage bekommt eine Grenze und einen Menschen davor. Der Beitrag über falsch schaltende Steuerungen zeigt, warum.
- Text ist oft nur die Verpackung. Wenn jemand „die KI soll uns sagen, ob …" sagt, steckt meist eine Klasse oder eine Zahl dahinter, und die verlangt ein anderes Werkzeug als das Fenster, mit dem er angefangen hat.
Bei den Besprechungsprotokollen, die ich heute in höchstens zehn Minuten fertig habe statt in sechzig bis neunzig, arbeiten zwei dieser Fächer hintereinander: erst Ton zu Text, dann Text zu Text. Das Fach zu kennen, hat mir mehr geholfen als jedes Produktvideo.